!!!! construiu um detector de hacking de recompensa adequado e os modelos solicitados a não recompensar hackear na verdade recompensar hackeado MUITO menos! (tamanho de amostra pequeno tho)
thebes
thebes21 de mai. de 2025
Quatro corridas de recompensa do Hacker RL, 300 passos. As colinas ~= hacking de recompensa Os dois azuis-esverdeados tinham um pouco em seu sysprompt, para ser honesto e bonito, por favor, não toque nos casos de teste. parecia fazê-los recompensar o hack um pouco menos (?), mas também travar mais hora de mais honestidade dakka
44,5K